2021即將迎來最后一個月份。每到這時，關(guān)于未來的技術(shù)趨勢預(yù)測總會見諸報(bào)端。前不久，Gartner公司就宣布了企業(yè)組織在2022年需要探究的幾大戰(zhàn)略性技術(shù)趨勢，它們或?qū)⒃谖磥?-10年內(nèi)推動重大顛覆和機(jī)遇。
其中，既有看起來相對新穎的分布式企業(yè)、云原生平臺CNP、超自動化，也有火了幾年的生成式AI、決策智能DI等。
今天想跟大家深入聊一聊的，就是號稱“世界級難題”的——決策智能DI。
早在2017年，AI浪潮剛剛襲來的時候，業(yè)內(nèi)就流傳著類似的預(yù)言：未來所有的企業(yè)都是人工智能企業(yè)。而AI公司的典型樣貌，不就是利用智能技術(shù)讓企業(yè)決策更高效、更精準(zhǔn)、更靈活嗎？
看起來似乎很簡單，將經(jīng)營中產(chǎn)生的大數(shù)據(jù)扔給AI不斷地訓(xùn)練學(xué)習(xí)，形成適配業(yè)務(wù)需求的決策模型，將原本依靠經(jīng)驗(yàn)的“人治”變?yōu)椤皵?shù)治”，就可以了。
類似的案例也不少見，比如某服裝廠商將原本要靠店長每天統(tǒng)計(jì)上報(bào)補(bǔ)貨數(shù)量，全部變成了系統(tǒng)根據(jù)銷售情況自動安排補(bǔ)貨；某自來水公司原本需要靠人工來調(diào)節(jié)水壓，運(yùn)用AI智能判斷調(diào)壓，省了人工和運(yùn)營成本，住戶體驗(yàn)也更好了……聽起來皆大歡喜。
但現(xiàn)實(shí)中，我們走訪了許許多多的傳統(tǒng)企業(yè)智能化項(xiàng)目，發(fā)現(xiàn)事情并非如此簡單。
和成功相比，失敗或停滯的案例更多。
這些企業(yè)中，不乏幾十年的深厚管理功力，更不缺少推進(jìn)智能化項(xiàng)目的魄力和眼光，否則也不會最先擁抱AI。
但是，這些探索中，有的智慧門店，在嘗試了十幾家之后宣告終止；
有的企業(yè)好幾年還停留在數(shù)據(jù)采集、數(shù)據(jù)治理階段，距離決策智能遙遙無期；
有的預(yù)測模型，根本達(dá)不到預(yù)期效果，還不如依靠專家經(jīng)驗(yàn)的傳統(tǒng)方式……
這些現(xiàn)實(shí)問題，是很多企業(yè)在智能化探索中很少愿意去講的故事，一些AI技術(shù)服務(wù)商也往往會隱去這些“失敗案例”，傾向于暢想“技術(shù)利好”。
據(jù)Gartner公司的測算，到2030年，智能決策將超過所有其他類型的人工智能活動，占全球人工智能衍生商業(yè)價(jià)值的44%。也就是說，未來組織必須使用決策智能，以增強(qiáng)競爭優(yōu)勢。
如果搞不清楚可能踩到的坑，反而會在當(dāng)下透支企業(yè)——尤其是傳統(tǒng)行業(yè)對決策智能以及AI的信心。
所以，我們決定通過五個“大失敗“案例，帶大家參觀一下決策智能DI可能有哪些失敗姿勢。
智能指導(dǎo)決策，首先要求AI能夠從各種異構(gòu)化數(shù)據(jù)中洞察出隱藏的業(yè)務(wù)邏輯。但許多企業(yè)的數(shù)據(jù)卻散落在各個渠道。其中，最為撕裂的要數(shù)線上與線下。
我們采訪的某A服裝品牌，就是線下購物商場起家的。伴隨移動互聯(lián)網(wǎng)的快速發(fā)展，線上業(yè)務(wù)近些年快速崛起和壯大，還沒來得及與傳統(tǒng)的線下渠道、供應(yīng)體系深度磨合，已經(jīng)形成了分庭抗禮的狀態(tài)。
線上、線下分屬兩個渠道，分管領(lǐng)導(dǎo)/老板之間有著直接的利益沖突，訂單、庫存、會員數(shù)據(jù)等都不愿意共享和打通。而企業(yè)壯大之后，創(chuàng)始人的權(quán)力也受到多方掣肘，很難強(qiáng)勢地要求雙方整合成全國乃至全球“一盤貨”，最后A企業(yè)不得不各個渠道各建一個系統(tǒng)。
統(tǒng)籌幾千家門店、幾萬個SKU、多層分銷體系，是一件非常龐大復(fù)雜的工作，數(shù)據(jù)之間無法協(xié)同，還有大量數(shù)據(jù)存在于紙質(zhì)文件、報(bào)銷票據(jù)等等。
對A企業(yè)來說，看不到全局?jǐn)?shù)據(jù)，生產(chǎn)、調(diào)撥、發(fā)貨、庫存、訂貨等各個業(yè)務(wù)單元，想要做分析預(yù)測也就變得十分困難。
舉個例子，工廠要看到動態(tài)銷售情況，掌握哪些款式賣的好可能要追單，會提前聯(lián)系原材料廠商、對布料進(jìn)行預(yù)處理，從而快速響應(yīng)。
而A企業(yè)雖然有了一個系統(tǒng)，但線上線下的內(nèi)部數(shù)據(jù)并不互通，依靠AI進(jìn)行銷售預(yù)測就不一定準(zhǔn)確了，形成了“不了解市場變化——無法高效生產(chǎn)——做不到精準(zhǔn)補(bǔ)貨——消費(fèi)者買不到或不喜歡——庫存壓力大現(xiàn)金流緊張——不愿意做數(shù)字化投入——更不了解消費(fèi)者”的惡性循環(huán)。
當(dāng)然，也有一部分企業(yè)意識到了數(shù)據(jù)統(tǒng)一化的重要性，并且渠道統(tǒng)籌、內(nèi)部推動更加有力，這樣的企業(yè)往往會更大膽地?fù)肀I。
比如某食品品牌B，很早就成立了大數(shù)據(jù)和算法部門，招攬了許多算法專家、開發(fā)人員，希望基于大數(shù)據(jù)搭建起消費(fèi)者洞察模型，指導(dǎo)營銷決策和運(yùn)營決策。
作為傳統(tǒng)企業(yè)，B是極有魄力和眼光的，但智能決策需要非常多的工程能力，而不僅僅是算法能力。
舉個例子，要解決銷售預(yù)測的問題，就要統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)、采集全環(huán)節(jié)數(shù)據(jù)，聯(lián)動渠道、門店銷售、供應(yīng)鏈、生產(chǎn)、庫存等多種數(shù)據(jù)，讓“從頭到尾”的數(shù)據(jù)都被精準(zhǔn)采集，才能避免供需不協(xié)同的問題。
而食品賽道的特點(diǎn)之一，渠道多而散，既有大型超市，也有夫妻店、無人貨架……這些渠道要貨、補(bǔ)貨的數(shù)據(jù)往往比較粗獷，有的小店經(jīng)營者缺乏經(jīng)驗(yàn)，庫存還有很多，卻報(bào)了一個超過安全水位的補(bǔ)貨數(shù)字，安排生產(chǎn)之后，幾個月根本賣不掉，影響退貨率不說，消費(fèi)者吃到的食物口感變差，還會損傷品牌口碑。
而要實(shí)現(xiàn)高質(zhì)量的數(shù)據(jù)管理，需要的不光是高精尖的算法人員，還必須懂業(yè)務(wù)、懂運(yùn)營，自主定義好數(shù)據(jù)標(biāo)準(zhǔn)，才能讓后續(xù)工作事半功倍，訓(xùn)練出更適配業(yè)務(wù)的模型，真正讓AI幫助減少不必要的損耗，發(fā)揮出技術(shù)價(jià)值。
沒有企業(yè)對成本不敏感，一些“血厚”的老牌企業(yè)可以拿出足夠多的預(yù)算，組建團(tuán)隊(duì)，自行開發(fā)決策智能工具，而更多企業(yè)會選擇使用技術(shù)服務(wù)商造好的輪子，比如一些“行業(yè)大腦”“行業(yè)解決方案”。
讓更專業(yè)的人做專業(yè)的事，通過Paas、SaaS模式，能夠大大降低企業(yè)構(gòu)建決策智能的難度。但是，相比于數(shù)字化方案，決策智能對于個性化方案的需求度更高，許多“大腦”“輪子”可能并不適配企業(yè)現(xiàn)狀。
拿我們采訪過的化妝品牌C為例，在應(yīng)用決策智能的時候就遇上了兩個問題。
第一，各個平臺的數(shù)據(jù)無法打通。
不同互聯(lián)網(wǎng)生態(tài)、不同內(nèi)容平臺上沉淀的用戶數(shù)據(jù)是無法“出塔”的，只能在生態(tài)內(nèi)部進(jìn)行有限的洞察和使用，在某狗上的營銷策略無法看到某貓上的用戶行為數(shù)據(jù)，技術(shù)服務(wù)商的“輪子”只能跑在自家生態(tài)的路上，這就讓精準(zhǔn)營銷效率降低了。
第二，“輪子”大小與業(yè)務(wù)進(jìn)展不匹配。
作為國牌，品牌C還達(dá)不到雅詩蘭黛集團(tuán)、歐萊雅集團(tuán)這樣的規(guī)模和量級，項(xiàng)目和市場都在快速發(fā)展迭代期，對于決策智能項(xiàng)目的要求也是能夠小步迭代、低成本輕量級。一些技術(shù)服務(wù)商一上來就推薦什么全球零售倉儲物流體系化解決方案、建設(shè)海外平臺，用C企業(yè)技術(shù)負(fù)責(zé)人的話來說——聽起來就很可怕。
不用企業(yè)自己反復(fù)“造輪子”，這很好，但輪子也有大小，適配企業(yè)業(yè)務(wù)的輪子才能讓決策智能真正跑起來。
利用AI能夠更好提升決策效率和決策質(zhì)量，已經(jīng)成為共識。做出“智能化轉(zhuǎn)型”的決定并不難，但推進(jìn)智能項(xiàng)目進(jìn)程，就不是一朝一夕、一帆風(fēng)順的了，往往需要企業(yè)的掌舵人具備長期戰(zhàn)略思維，以及深度把握企業(yè)方向的能力。
就拿某鞋類企業(yè)D來說，在2018年就嘗試引入了數(shù)字化建設(shè)，希望積累大量會員數(shù)據(jù)來為消費(fèi)者洞察服務(wù)。然而項(xiàng)目落地不到一年，老板覺得沒有達(dá)到預(yù)期的狀態(tài)，大數(shù)據(jù)平臺建立起來之后完全沒有產(chǎn)生經(jīng)濟(jì)效益，就直接將項(xiàng)目暫停了，相關(guān)平臺也沒有再更新迭代和使用。
追求短期見效，也讓該企業(yè)面臨著較大的內(nèi)部管理動蕩，數(shù)字項(xiàng)目負(fù)責(zé)人的離職更替率較高。
老板因?yàn)橐庾R到自家企業(yè)的數(shù)字化能力相對落后，開始努力追趕，這期間不停嘗試引入新的技術(shù)管理者，領(lǐng)導(dǎo)者的更替總會帶來一輪方向變化和員工換血，不可避免地導(dǎo)致重復(fù)建設(shè)與投入，無法徹底、全面地實(shí)施變革。
頻繁地調(diào)整戰(zhàn)略、團(tuán)隊(duì)動蕩，也讓線上線下渠道權(quán)益的平衡與整合，多個信息化系統(tǒng)的打通，門店的數(shù)字化改造等等，許多“硬骨頭”無法高效推進(jìn)。
智能決策的落地需要土壤，民營企業(yè)和家族企業(yè)的管理特質(zhì)，以及背后的激勵體系、企業(yè)文化，或許才是成功更需要的質(zhì)素。
全局?jǐn)?shù)據(jù)+厲害算法，智能決策就一定比“人治”強(qiáng)嗎？答案是否定的。
誠然，決策智能需要不斷挖掘和分析消費(fèi)者、研發(fā)、生產(chǎn)、供應(yīng)鏈等各種數(shù)據(jù)，再基于算法模型建立一套新的決策機(jī)制，但這個過程是終極理想狀態(tài)，至少在目前，人的傳統(tǒng)經(jīng)驗(yàn)、行業(yè)知識依然非常重要。
某飲料企業(yè)E告訴我們，目前該企業(yè)已經(jīng)慢慢長出了一些自動化決策的標(biāo)準(zhǔn)，可以從某些維度給出建議，比如從短視頻博主的曝光量、點(diǎn)贊量、粉絲畫像、成長軌跡等，判斷對方的帶貨效果。
但技術(shù)人員也坦誠，目前還不太確定，這些建議一定能夠給業(yè)務(wù)部門帶來不錯的價(jià)值。目前的市場投放決策，還是要依靠營銷人員的專業(yè)經(jīng)驗(yàn)去判斷，有時候甚至是靈感的東西。
新品開發(fā)也同樣如此，智能決策系統(tǒng)可以給出一些建議，提前預(yù)判可能會遇到哪些問題，用什么樣的包裝材料，生產(chǎn)上可能出現(xiàn)什么瑕疵，但對于一些創(chuàng)意方向、從零到一的需求創(chuàng)造，目前的智能決策系統(tǒng)還不算成功，只是讓研發(fā)人員看到的數(shù)據(jù)維度更多、思考更全面、決策更加精細(xì)化而已，最終決策還是靠專業(yè)人士來完成。
比如他們就將一個logo設(shè)計(jì)成了環(huán)抱的弧形，從心理上讓消費(fèi)者感覺更親近，這個創(chuàng)意就來自于專業(yè)判斷，而非AI洞察。
說了這么多“失敗姿勢”，并不是想給企業(yè)和AI行業(yè)潑冷水，而是成功各有各的成功，但失敗之處某種程度上都是相通的。當(dāng)千行百業(yè)都渴望AI、擁抱AI的時候，提示風(fēng)險(xiǎn)、避免踩雷，才能讓AI產(chǎn)業(yè)化和產(chǎn)業(yè)AI化更良性地發(fā)展下去。
具體到?jīng)Q策智能這一技術(shù)上，通過這些先行者的探索，可以發(fā)現(xiàn)影響成功率的因素非常多，主要有四個方面。
1.數(shù)據(jù)化程度。要能做到業(yè)務(wù)全流程、全場景的數(shù)字有跡可循，為智能提供基本養(yǎng)料。
2.組織力支撐。歸根結(jié)底，決策離不開管理科學(xué)，企業(yè)管理、文化、組織架構(gòu)等都要適配智能項(xiàng)目。
3.價(jià)值場景。決策智能到底如何發(fā)揮價(jià)值，需要找到最符合企業(yè)增長效益、符合數(shù)據(jù)邏輯的場景，這又對技術(shù)人員的綜合能力提出了要求。
4.外部支持。目前，我國的企業(yè)管理大多還停留在梳理商業(yè)規(guī)則（Business Rules）和搭建商業(yè)規(guī)則階段，少數(shù)進(jìn)入了自動分析決策智能（Automatic Prescriptive Analytic）階段，技術(shù)服務(wù)商和基礎(chǔ)設(shè)施提供商也需要適配企業(yè)智能化的不同階段，提供相適配的技術(shù)工具與商業(yè)支持。比如輕量級、模塊化的組件，幫助企業(yè)快速搭建智能系統(tǒng)，低成本試錯；比如反壟斷的推進(jìn)，讓跨生態(tài)的數(shù)據(jù)流動起來。
維基百科中，決策智能指的是“ An engineering discipline that augments data science with theory from social science, decision theory, and managerial science”，一門運(yùn)用社會科學(xué)、決策理論和管理科學(xué)知識來擴(kuò)展數(shù)據(jù)科學(xué)的工程學(xué)科。
這就已經(jīng)說明了，決策智能的成功，從來都不是AI技術(shù)本身所能獨(dú)自決定的。它依賴于整個社會、企業(yè)、用戶的全面改變，而這一天一定會到來。
從這個角度看，失敗其實(shí)也是一種勝利，只有真正試水，才有可能成為最先感受到春江水暖的那只鴨子。
本文來自微信公眾號“腦極體”（ID:unity007），作者：藏狐，36氪經(jīng)授權(quán)發(fā)布。
